Fugu-MT 論文翻訳(概要): A two-step machine learning approach for crop disease detection: an application of GAN and UAV technology

論文の概要: A two-step machine learning approach for crop disease detection: an application of GAN and UAV technology

arxiv url: http://arxiv.org/abs/2109.11066v1
Date: Sun, 19 Sep 2021 03:51:20 GMT
ステータス: 処理完了
システム内更新日: 2021-09-24 15:13:09.337426
Title: A two-step machine learning approach for crop disease detection: an application of GAN and UAV technology
Title（参考訳）: 作物病検出のための2段階機械学習アプローチ : GANとUAV技術の応用
Authors: Aaditya Prasad (1), Nikhil Mehta (1), Matthew Horak (2), Wan D. Bae (3) ((1) Tesla STEM High School, (2) Lockheed Martin Corporation, (3) Seattle University)
Abstract要約: 本稿では,低忠実度および高忠実度画像を連続的に解析する2段階の機械学習手法を提案する。その結果,高忠実度系では96.3%,低忠実度系では75.5%の信頼度が得られた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated plant diagnosis is a technology that promises large increases in cost-efficiency for agriculture. However, multiple problems reduce the effectiveness of drones, including the inverse relationship between resolution and speed and the lack of adequate labeled training data. This paper presents a two-step machine learning approach that analyzes low-fidelity and high-fidelity images in sequence, preserving efficiency as well as accuracy. Two data-generators are also used to minimize class imbalance in the high-fidelity dataset and to produce low-fidelity data that is representative of UAV images. The analysis of applications and methods is conducted on a database of high-fidelity apple tree images which are corrupted with class imbalance. The application begins by generating high-fidelity data using generative networks and then uses this novel data alongside the original high-fidelity data to produce low-fidelity images. A machine-learning identifier identifies plants and labels them as potentially diseased or not. A machine learning classifier is then given the potentially diseased plant images and returns actual diagnoses for these plants. The results show an accuracy of 96.3% for the high-fidelity system and a 75.5% confidence level for our low-fidelity system. Our drone technology shows promising results in accuracy when compared to labor-based methods of diagnosis.
Abstract（参考訳）: 自動植物診断は、農業のコスト効率を大幅に向上させる技術である。しかし、複数の問題により、解像度と速度の逆関係や適切なラベル付きトレーニングデータの欠如など、ドローンの有効性が低下する。本稿では,低忠実度および高忠実度画像を連続的に解析し,効率と精度を維持した2段階機械学習手法を提案する。 2つのデータジェネレータは、高忠実度データセットのクラス不均衡を最小化し、UAV画像を表す低忠実度データを生成するためにも使用される。クラス不均衡で劣化した高忠実度リンゴ樹画像のデータベース上で,応用と方法の解析を行う。アプリケーションは、生成ネットワークを用いて高忠実度データを生成し、その新しいデータと元の高忠実度データを用いて低忠実度画像を生成する。機械学習の識別子は植物を識別し、病原性の有無をラベル付けする。機械学習の分類器は、病気の可能性のある植物イメージを与えられ、これらの植物に対して実際の診断を返す。その結果,高忠実度システムでは96.3%,低忠実度システムでは75.5%の信頼性が得られた。当社のドローン技術は、労働ベースの診断方法と比較して、有望な精度を示す。

関連論文リスト

Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文参考訳（メタデータ） (2024-11-12T01:17:27Z)
Small data deep learning methodology for in-field disease detection [6.2747249113031325]
本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。本モデルでは, 早期症状の同定に高い精度と有効性を示した。
論文参考訳（メタデータ） (2024-09-25T17:31:17Z)
StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文参考訳（メタデータ） (2024-08-11T01:22:29Z)
Accelerating Domain-Aware Electron Microscopy Analysis Using Deep Learning Models with Synthetic Data and Image-Wide Confidence Scoring [0.0]
我々は物理に基づく合成画像とデータ生成装置を作成し、その結果、同等の精度(0.86)、リコール(0.63)、F1スコア(0.71)、エンジニアリング特性予測(R2=0.82)を実現する機械学習モデルを得た。本研究は,合成データがMLの人間依存を排除し,画像毎に多くの特徴を検出する必要がある場合に,ドメイン認識の手段を提供することを示す。
論文参考訳（メタデータ） (2024-08-02T20:15:15Z)
RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文参考訳（メタデータ） (2024-05-30T14:49:54Z)
Enhanced Droplet Analysis Using Generative Adversarial Networks [0.0]
この研究は、DropletGANという画像生成装置を開発し、ドロップレットの画像を生成する。また、合成データセットを用いた光液滴検出器の開発にも用いられている。我々の知る限りでは、この研究は初めて、液滴の検出を増強するための生成モデルを用いたものである。
論文参考訳（メタデータ） (2024-02-24T21:20:53Z)
Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-08-09T09:06:51Z)
High-Resolution UAV Image Generation for Sorghum Panicle Detection [23.88932181375298]
本稿では,データ拡張のためのGAN(Generative Adversarial Network)からの合成トレーニング画像を用いて,ソルガムパニックの検出とカウントの性能を向上させる手法を提案する。提案手法は,実際のUAV RGB画像の地上真実データセットを限定した画像から画像への変換GANを用いて,パニックラベルを用いた合成高解像度UAV RGB画像を生成することができる。
論文参考訳（メタデータ） (2022-05-08T20:26:56Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
Circumventing Outliers of AutoAugment with Knowledge Distillation [102.25991455094832]
AutoAugmentは多くの視覚タスクの精度を向上させる強力なアルゴリズムである。本論文は作業機構を深く掘り下げ,AutoAugmentがトレーニング画像から識別情報の一部を除去できることを明らかにする。教師モデルの出力に言及した知識蒸留を用いて,ネットワークトレーニングの指導を行う。
論文参考訳（メタデータ） (2020-03-25T11:51:41Z)
Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-17T09:51:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。